Python爬虫

1.什么是爬虫
网络爬虫，是一种按照一定规则，自动抓取互联网信息的程序或者脚本。由于互联网数据的多样性和资源的有限性，根据用户需求定向抓取相关网页并分析已成为如今主流的爬取策略。
2.百度指数：可利用百度指数来查询相关词条的搜索量
天眼查：可查找公司相关信息
3.爬虫的本质：模拟浏览器打开网页，获取网页中我们想要的那部分数据。

关于urllib：
获取网页的两种方式:
1.获取一个get请求

import urllib.request
#获取一个get请求
 response = urllib.request.urlopen("http://www.baidu.com")
 print(response.read().decode('utf-8'))#.decode('utf-8')用utf-8来解码，对获取到的网页源码进行解码

2.获取一个POST请求

#获取一个POST请求
import urllib.parse
 data=bytes(urllib.parse.urlencode({"hello":"world"}),encoding="utf-8")
 response = urllib.request.urlopen("http://httpbin.org/post",data=data)
 print(response.read().decode("utf-8"))

关于超时处理

#超时处理
try:
     response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)
     print(response.read().decode("utf-8"))
except urllib.error.URLError as e:
     print("time out!")

可以利用urllib获取个别信息

response = urllib.request.urlopen("http://www.baidu.com")
print(response.status)#显示418说明发现是一个爬虫了
print(response.getheader("Server"))

避免发现是爬虫的方法:将目标网页源代码中的详细信息进行复制传入

#避免发现是爬虫的方法，将网页的User-Agent进行复制
url ="http://www.baidu.com"
headers = {
"User-Agent":" Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.0.2242 SLBChan/25"
}

req = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("utf-8"))

得到一个指定的URL的网页内容的函数

#得到一个指定的URL的网页内容
def askURL(url):
    head={   #模拟浏览器头部信息，向目标服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 92.0.4515.131Safari / 537.36SLBrowser / 8.0.0.2242SLBChan / 25"
    }  #注意：User-Agent之间没有空格
    #用户代理，表示告诉目标服务器，我们是什么类型的机器/浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
    request = urllib.request.Request(url,headers=head)
    html=""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

关于bs4：
1.Tag 标签及其内容：只能获取所找到的第一个内容

from bs4 import BeautifulSoup
#1.Tag 标签及其内容：只能获取所找到的第一个内容
file = open("./baidu.html","rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.title)
print(bs.a)
print(bs.head)

2.NavigableString 标签里的内容（字符串）

print(bs.title.string)
#2.NavigableString 标签里的内容（字符串）
print(bs.a.attrs)

3.BeautifulSoup 表示整个文档

print(bs.name)
print(bs)

4.Comment 是一个特殊的NavigableString ，输出的内容不包含注释符号

print(bs.a.string)

文档的遍历

print(bs.head.contents)
print(bs.head.content[1])

文档的搜索:
（1）find_all(),查找所有

#字符串过滤：会查找与字符串完全匹配的内容
 t_list = bs.find_all("a")

import re
#正则表达式：使用search（）方法来匹配内容
 t_list = bs.find_all(re.compile("a"))

#方法：传入一个函数（方法），根据函数的要求来搜索
 def name_is_exists(tag):
    return tag.has_attr("name")

 t_list=bs.find_all(name_is_exists)
 print(t_list)

2.kwargs 参数

 t_list = bs.find_all(id="head")
 t_list = bs.find_all(class_=True)

3.text参数

 t_list = bs.find_all(text="hao123")
 t_list = bs.find_all(text=["hao123","地图"，"贴吧"])
t_list = bs.find_all(text = re.compile("\d"))  #应用正则表达式来查找包含特定文本的内容（标签里的字符串）

4.limit参数

t_list = bs.find_all("a",limit=3)

css选择器

t_list = bs.select("title)   #通过标签来查找
t_list = bs.select(".mnav")    #通过类名来查找
t_list = bs.select("#u1")   #通过id来查找
t_list = bs.select("a[class]='bri']")   #通过属性来查找
t_list = bs.select("head > title")   #通过字标签来查找

t_list = bs.selct(".mnav~.bri")
ptint(t_list[0].get_text())

关于re：
1.re.search()

#正则表达式：字符串模式（判断字符串是否符合一定的标准）

import re
#创建模式对象

pat = re.compile("AA")#此处的“AA”，是正则表达式，用来验证其他的字符串
m=pat.search("CBA")#search 字符串被检验的内容

print(m)

#正则表达式：字符串模式（判断字符串是否符合一定的标准）

import re
#创建模式对象

pat = re.compile("AA")#此处的“AA”，是正则表达式，用来验证其他的字符串
# m=pat.search("CBA")#search 字符串被检验的内容
m = pat.search("ABCAA")

print(m)

#正则表达式：字符串模式（判断字符串是否符合一定的标准）

import re
#创建模式对象

pat = re.compile("AA")#此处的“AA”，是正则表达式，用来验证其他的字符串
# m=pat.search("CBA")#search 字符串被检验的内容

#m = pat.search("ABCAA")
m = pat.search("AABCAAACCAA")   #search方法，进行对比查找
print(m)

没有模式对象

#没有模式对象
m = re.search("asd","Aasd")  #前面的字符串是模板，后面的字符串是被校验的对象
print(m)

2.re.findall()

print(re.findall("a","ASDaDFGBCccb")) #前面字符串是正则表达式，后面是被校验的字符串
print(re.findall("[A-Z]","ASDaDFGBCccb"))
print(re.findall("[A-Z]+","ASDaDFGBCccb"))

3.sub

#sub
print(re.sub("a","A","abcdeads")) #找到a用A替换，在第三个字符串中查找

建议在正则表达式中，被比较的字符串前加上r，不用担心转义字符的问题